全 文 ：
摇 摇 摇 摇 摇 生 态 学 报
摇 摇 摇 摇 摇 摇 摇 渊杂匀耘晕郧栽粤陨 载哉耘月粤韵冤
摇 摇 第 猿猿卷 第 圆猿期摇 摇 圆园员猿年 员圆月摇 渊半月刊冤
目摇 摇 次
前沿理论与学科综述
基于树干液流技术的北京市刺槐冠层吸收臭氧特征研究 王摇 华袁欧阳志云袁任玉芬袁等 渊苑猿圆猿冤噎噎噎噎噎噎
三疣梭子蟹增养殖过程对野生种群的遗传影响要要要以海州湾为例 董志国袁李晓英袁张庆起袁等 渊苑猿猿圆冤噎噎噎
土壤盐分对三角叶滨藜抗旱性能的影响 谭永芹袁柏新富袁侯玉平袁等 渊苑猿源园冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
南美斑潜蝇为害对黄瓜体内 源种防御酶活性的影响 孙兴华袁周晓榕袁庞保平袁等 渊苑猿源愿冤噎噎噎噎噎噎噎噎噎
个体与基础生态
模拟氮沉降对华西雨屏区苦竹林凋落物养分输入量的早期影响 肖银龙袁涂利华袁胡庭兴袁等 渊苑猿缘缘冤噎噎噎噎
茎瘤芥不同生长期植株营养特性及其与产量的关系 赵摇 欢袁李会合袁吕慧峰袁等 渊苑猿远源冤噎噎噎噎噎噎噎噎噎
雷竹覆盖物分解速率及其硅含量的变化 黄张婷袁张摇 艳袁宋照亮袁等 渊苑猿苑猿冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
渍水对油菜苗期生长及生理特性的影响 张树杰袁廖摇 星袁胡小加袁等 渊苑猿愿圆冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
广西扶绥黑叶猴的主要食源植物及其粗蛋白含量 李友邦袁丁摇 平袁黄乘明袁等 渊苑猿怨园冤噎噎噎噎噎噎噎噎噎噎
氮素营养水平对膜下滴灌玉米穗位叶光合及氮代谢酶活性的影响 谷摇 岩袁胡文河袁徐百军袁等 渊苑猿怨怨冤噎噎噎
孕云韵杂对斑马鱼胚胎及仔鱼的生态毒理效应 夏继刚袁牛翠娟袁孙麓垠 渊苑源园愿冤噎噎噎噎噎噎噎噎噎噎噎噎噎
浒苔干粉末提取物对东海原甲藻和中肋骨条藻的克生作用 韩秀荣袁高摇 嵩袁侯俊妮袁等 渊苑源员苑冤噎噎噎噎噎噎
基于柑橘木虱 悦韵玉基因的捕食性天敌捕食作用评估 孟摇 翔袁欧阳革成袁载蚤葬 再怎造怎袁等 渊苑源猿园冤噎噎噎噎噎噎
健康和虫害的红松挥发物对赤松梢斑螟及其寄生蜂寄主选择行为的影响
王摇 琪袁严善春袁严俊鑫袁等 渊苑源猿苑冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
种群尧群落和生态系统
小麦蚕豆间作对蚕豆根际微生物群落功能多样性的影响及其与蚕豆枯萎病发生的关系
董摇 艳袁董摇 坤袁汤摇 利袁等 渊苑源源缘冤
噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
喀斯特峰丛洼地不同生态系统的土壤肥力变化特征 于摇 扬袁杜摇 虎袁宋同清袁等 渊苑源缘缘冤噎噎噎噎噎噎噎噎噎
黄土高原人工苜蓿草地固碳效应评估 李文静袁王摇 振袁韩清芳袁等 渊苑源远苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
景观尧区域和全球生态
粉垄耕作对黄淮海北部土壤水分及其利用效率的影响 李轶冰袁逄焕成袁杨摇 雪袁等 渊苑源苑愿冤噎噎噎噎噎噎噎噎
三峡库区典型农林流域景观格局对径流和泥沙输出的影响 黄志霖袁田耀武袁肖文发袁等 渊苑源愿苑冤噎噎噎噎噎噎
基于 月孕 神经网络与 耘栽酝垣遥感数据的盐城滨海自然湿地覆被分类 肖锦成袁欧维新袁符海月 渊苑源怨远冤噎噎噎噎
寒温带针叶林土壤 悦匀源吸收对模拟大气氮沉降增加的初期响应 高文龙袁程淑兰袁方华军袁等 渊苑缘园缘冤噎噎噎噎
寒温针叶林土壤呼吸作用的时空特征 贾丙瑞袁周广胜袁蒋延玲袁等 渊苑缘员远冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
黄土高原小麦田土壤呼吸季节和年际变化 周小平袁王效科袁张红星袁等 渊苑缘圆缘冤噎噎噎噎噎噎噎噎噎噎噎噎噎
不同排放源周边大气环境中 晕匀猿浓度动态 刘杰云袁况福虹袁唐傲寒袁等 渊苑缘猿苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎
施加秸秆和蚯蚓活动对麦田 晕圆韵排放的影响 罗天相袁胡摇 锋袁 李辉信 渊苑缘源缘冤噎噎噎噎噎噎噎噎噎噎噎噎
资源与产业生态
基于水声学方法的天目湖鱼类资源捕捞与放流的生态监测 孙明波袁谷孝鸿袁曾庆飞袁等 渊苑缘缘猿冤噎噎噎噎噎噎
应用支持向量机评价太湖富营养化状态 张成成袁沈爱春袁张晓晴袁等 渊苑缘远猿冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
研究简报
亚热带 源种森林凋落物量及其动态特征 徐旺明袁 闫文德袁李洁冰袁等 渊苑缘苑园冤噎噎噎噎噎噎噎噎噎噎噎噎噎
青蒿素对蔬菜种子发芽和幼苗生长的化感效应 白摇 祯袁黄摇 玥袁黄建国 渊苑缘苑远冤噎噎噎噎噎噎噎噎噎噎噎噎
晕韵参与 粤酝真菌与烟草共生过程 王摇 玮袁赵方贵袁侯丽霞袁等 渊苑缘愿猿冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
基于核密度估计的动物生境适宜度制图方法 张桂铭袁朱阿兴袁杨胜天袁等 渊苑缘怨园冤噎噎噎噎噎噎噎噎噎噎噎噎
施氮方式对转基因棉花 月贼蛋白含量及产量的影响 马宗斌袁刘桂珍袁严根土袁等 渊苑远园员冤噎噎噎噎噎噎噎噎噎
学术信息与动态
未来地球要要要全球可持续性研究计划 刘源鑫袁赵文武 渊苑远员园冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
期刊基本参数院悦晕 员员鄄圆园猿员 辕 匝鄢员怨愿员鄢皂鄢员远鄢圆怨圆鄢扎澡鄢孕鄢 预 怨园郾 园园鄢员缘员园鄢猿猿鄢圆园员猿鄄员圆
室室室室室室室室室室室室室室
封面图说院 兴安落叶松林景观要要要中国的寒温带针叶林属于东西伯利亚森林向南的延伸部分袁它是大兴安岭北部一带的地带
性植被类型袁一般可分为落叶针叶林和常绿针叶林两类遥 兴安落叶松林景观地下部分为棕色森林土袁中上部为灰化
棕色针叶林土袁均呈酸性反应遥 随着全球气候持续变暖袁寒温针叶林生态系统潜在的巨大碳库将可能成为大气 悦韵圆
的重要来源袁研究表明袁温度是寒温针叶林生态系统土壤呼吸作用的主要调控因子袁对温度的敏感性随纬度升高而
增加袁根系和凋落物与土壤呼吸作用表现出相似的空间变异性遥
彩图及图说提供院 陈建伟教授摇 北京林业大学摇 耘鄄皂葬蚤造院 糟蚤贼藻泽援糟澡藻灶躁憎岳 员远猿援糟燥皂
第 33 卷第 23 期
2013年 12月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.33,No.23
Dec.,2013
http: / / www.ecologica.cn
基金项目:国家自然科学基金资助项目(50920105907);中国科学院百人计划资助项目(A1049)
收稿日期:2013鄄02鄄27; 摇 摇 修订日期:2013鄄10鄄10
*通讯作者 Corresponding author.E鄄mail: qchen@ rcees.ac.cn
DOI: 10.5846 / stxb201302270314
张成成, 沈爱春, 张晓晴, 陈求稳.应用支持向量机评价太湖富营养化状态.生态学报,2013,33(23):7563鄄7569.
Zhang C C, Shen A C, Zhang X Q, Chen Q W.Application of support vector machine to evaluate the eutrophication status of Taihu Lake.Acta Ecologica
Sinica,2013,33(23):7563鄄7569.
应用支持向量机评价太湖富营养化状态
张成成1, 沈爱春2, 张晓晴1, 陈求稳1,3,*
(1. 中国科学院生态环境研究中心,北京摇 100085;
2. 太湖流域管理局水文水资源监测局,无锡摇 214024; 3. 三峡大学,宜昌摇 443002)
摘要:根据湖库富营养化程度评价标准,随机生成大量学习样本,运用支持向量机(SVM)算法建立富营养化评价模型。 采用太
湖 2012年 7—9月的监测数据,分别应用 SVM模型和线性插值评分法(SCO)对太湖 33个监测点的富营养化状况进行了评价。
结果表明太湖在 2012年 7—9月共出现 3种营养类型,其中,中营养主要分布于东部湖区,轻度富营养主要分布于湖心区和东
部沿岸区,中度富营养主要分布于西北部湖区,太湖水体整体表现为轻度到中度富营养水平。 通过 SVM和 SCO结果的对比分
析,发现两种评价方法的结果一致率为 78.8%,出现不一致的个例均属于相邻营养等级,表明该 SVM 模型是有效的,能够应用
于太湖的富营养化评价,且具有更好的收敛性和泛化性。
关键词:太湖;富营养化评价;支持向量机
Application of support vector machine to evaluate the eutrophication status of
Taihu Lake
ZHANG Chengcheng1, SHEN Aichun2, ZHANG Xiaoqing1, CHEN Qiuwen1,3,*
1 Research Center for Eco鄄Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China
2 Bureau of Hydrology and Water Resources Monitoring, Taihu Basin Management Bureau, Wuxi 214024, China
3 China Three Gorges University, Yichang 443002, China
Abstract: The results of eutrophication assessment can not only reflect the conditions of water quality and the status of
pollution, but also provide some evidence and guidance for eutrophication controls, watershed managements and policy
decisions. Essentially, the process of eutrophication assessment could be considered as a multi鄄index classification problem.
However, the relationship between the eco鄄environmental factors and the eutrophication status is complex, nonlinear and
uncertain. In recent years, a variety of artificial intelligent methods have been used for eutrophication assessment, such as
fuzzy synthetic evaluation, fuzzy mathematics, grey cluster, grey situation decision, evolutionary algorithm and artificial
neural network (ANN). These methods have been playing important roles in eutrophication assessment, but there are still
uncertainty and inconsistency in the results. The fuzzy and grey methods have great subjectivity in determining the structures
of evaluation functions and the weights of evaluation indexes, the evolutionary algorithm is mainly used for parameter
optimization of existing evaluation models; and the ANN has inherent problems such as uncertainty of network structure,
potential of local optimum and no guarantee of model generality.
As a relatively new machine鄄learning algorithm, Support Vector Machine (SVM) has shown promising advantages in
solving classification problems. The fundamental idea is to use certain kind of kernel functions to map the vectors in lower
dimensional space to a higher dimensional space so that these vectors could be linearly classified into two parts, and then
http: / / www.ecologica.cn
conducting a hyperplane that has the largest distance to the nearest vector of any class to make the separation. Although
sharing some similarities to ANN in process of model building, SVM has entirely different theoretical basis. Despite its broad
applications, the method has been merely used in lake eutrophication assessment.
In this study, an eutrophication assessment model has been built by using the classification algorithm of LIBSVM (a
simple, easy鄄to鄄use, and efficient software for SVM classification and regression), based on the learning data randomly
generated from the existing eutrophication assessment standard for lakes and reservoirs. The model was then applied to the
Taihu Lake, where data were collected from 33 monitoring sites during July to September in 2012. The results showed that
there are 3 types of trophic status in the Taihu Lake with respect to space. The mesotrophic areas were mainly in the east
part of the lake, and light eutrophication areas were mostly located in the central and eastern regions, and the moderate
eutrophication areas were largely in the northwestern region. The eutrophication status of the entire lake is about light to
moderate eutrophication. By comparing to the results from the well鄄accepted Linear Interpolation Scoring Method, the
consistency is about 78.8%, indicating good effectiveness and applicability of the SVM method, owing to its addition feature
of high convergence and generalization.
Key Words: Taihu Lake; eutrophication evaluation; Support Vector Machine
富营养化评价结果不仅可以客观反映水环境的质量和污染状况,而且能为富营养化防治、管理和决策提
供依据和指导。 从本质上讲,富营养化评价是一个多指标分类问题,各指标与分类等级之间存在复杂、非线性
和不确定的关系[1]。 近年来,智能方法在富营养化评价方面获得了大量应用,如模糊评价法[2鄄4]、灰色理论评
价法[5鄄6]、进化算法评价法[7鄄8]、人工神经网络评价法[9鄄10]等。 这些方法对富营养化评价的发展起到了一定的
促进作用,但在评价过程中尚存在不足[11]。 其中,模糊评价法和灰色评价法在确定评价函数结构和评价指标
权重方面存在较大的主观性,进化算法评价法主要用于对现有评价模型进行参数的优化选取,而人工神经网
络评价法存在固有的网络结构难以确定、容易陷入局部最优以及无法保证模型泛化性等问题。 支持向量机
(Support Vector Machine, SVM)是一种基于统计学习理论的新型机器学习算法[12],比较适用于解决富营养化
评价这类非线性多指标分类问题[13鄄15]。 虽然它在建模过程和形式上与人工神经网络法相似,但理论基础完
全不同,且有效克服了人工神经网络法收敛性和泛化性的不足,具有较好的应用前景。
目前,应用支持向量机法进行太湖富营养化评价方面的研究尚比较少,本研究采用该方法建立了太湖的
富营养化评价模型,并进行了实际应用,以期为太湖的富营养化评价提供一种新的可选方法。
1摇 支持向量机简介
支持向量机(SVM)是 Cortes和 Vapnik于 1995年首先提出的,它在解决小样本、非线性及高维模式识别
中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[16]。 其基本思想是,利用核函
数(Kernel Function)将低维空间中线性不可分的点映射成高维特征空间中线性可分的点,并通过划分超平
面,使所有的点到分类超平面的距离最大化。
所谓的支持向量,指的是高维空间中那些距离分类超平面最近的点对应的低维空间点。 它们来源于原始
样本,对分类超平面的位置起决定作用。 换言之,就是它们支持起了分类超平面。
将向量从低维空间向高维空间映射,会使计算复杂度变大。 为此,SVM 中引入了核函数,从而巧妙地避
免了这个问题。 核函数能接受两个低维空间向量,计算出它们在高维空间中的内积值。 常用的核函数有:
线性核函数
K(xi,x j) = xTi ·x j (1)
多项式核函数
K(xi,x j) = (酌xTi ·x j + r) d,酌 > 0 (2)
径向基核函数(Radial Basis Function,简称 RBF)
4657 摇 生摇 态摇 学摇 报摇 摇 摇 33卷摇
http: / / www.ecologica.cn
K(xi,x j) = exp( - 酌 椰xi - x j椰2),酌 > 0 (3)
Sigmoid核函数
K(xi,x j) = tanh(酌xTi ·x j + r) (4)
式中,K为核函数;xi、x j为两个低维空间列向量,在本研究中,代表两组不同的样本,且列向量中的每一个分量
对应一个输入变量;d、酌和 r为核参数。
图 1摇 支持向量机的输入和输出
Fig.1摇 The inputs and outputs of SVM
摇 其中,x1—xn为低维输入列向量,用于替换核函数 K 中的 X,X1—
Xm为支持向量,Y1—Ym为支持向量对应的目标值,琢1—琢m为系
数,输出 Y为中间节点和偏置 b之和
由于 RBF核函数能够将样本非线性地映射到更高
维空间,且数值条件和参数数目相对较少,对模型选择
的复杂度影响较小[13],一般都将其作为首选。 确定核
函数后,需对相应参数进行优化选取,通常采用基于交
叉验证思想的网格搜索法[17]。 SVM 的输入和输出,一
般如图 1所示。
2摇 富营养化评价模型
2.1摇 评价标准
选取合适的评价标准,对于评价结果的合理性与客
观性至关重要。 目前,我国广泛使用的富营养评价方法
有两种,一是中国环境监测总站于 2001 年底推荐使用
的综合营养状态指数法(简称 TLI 法) [18],二是中国水
利部《地表水资源质量评价技术规程》 (SL395—2007)
中采用的线性插值评分法(简称 SCO法)。 在评价指标选取和营养类型划分上,二者是一致的。 本研究采用
与 SCO法对应的湖库富营养化程度评价标准(表 1)。
表 1摇 湖库富营养化程度评价标准
Table 1摇 The eutrophication evaluation standard of lakes and reservoirs
等级
Degree
营养类型
Nutrition type
评分
Score
叶绿素 a
Chl鄄a / (mg / m3)
总磷
TP / (mg / L)
总氮
TN / (mg / L)
化学需氧量
COD / (mg / L)
透明度
SD / m
1 贫 10 0.5 0.001 0.02 0.15 10
20 1 0.004 0.05 0.4 5
2 中 30 2 0.01 0.1 1 3
40 4 0.025 0.3 2 1.5
50 10 0.05 0.5 4 1
3 轻富 60 26 0.1 1 8 0.5
4 中富 70 64 0.2 2 10 0.4
80 160 0.6 6 25 0.3
5 重富 90 400 0.9 9 40 0.2
100 1000 1.3 16 60 0.12
2.2摇 指标归一化
为了消除不同量级数据对评价结果的影响,按照公式 5对表 1中的评价指标和太湖实测数据进行了归一
化处理:
X忆 = (X - Xmin) / (Xmax - Xmin) (5)
式中,X忆为数据 X归一化后的值,Xmin、Xmax分别为表 1中与 X对应的评价指标的最小值和最大值。
2.3摇 训练样本生成
在经过归一化处理的每个区间范围内随机生成 100 组样本,以其中的 60 组作为训练样本,剩余的 40 组
作为验证样本。 共获得训练样本 540组,验证样本 360 组。 将 5 种营养等级分别“标记冶为{1,2,3,4,5},作
5657摇 23期 摇 摇 摇 张成成摇 等:应用支持向量机评价太湖富营养化状态 摇
http: / / www.ecologica.cn
为模型输出的目标值。
2.4摇 评价模型建立
研究中采用 LIBSVM鄄3.16[19]软件,对 SVM分类算法进行了实现。 首先,设置核函数为 RBF,相应参数为
惩罚因子 c和核参数 g(公式 3中的 酌);然后,设置 c沂{2-10,2-9,…,210},g沂{2-10,2-9,…,210},对训练样本
进行 5折交叉验证,得到最佳参数为 c= 4,g= 32;接着,按最佳参数取值,代入训练样本进行训练,即可建立评
价模型;最后,将验证样本代入评价模型,得到验证准确率为 100% (360 / 360)。
3摇 实例应用
3.1摇 研究区域和数据
由《2012太湖健康状况报告》可知,太湖通常被划分为 9个湖区(图 2),各湖区富营养化状况不同。 每年
的夏季和秋季,为蓝藻水华发生较为严重的时期。 为使评价结果更具代表性,选取对太湖 33个监测点(图 2)
2012年 7—9月份的月监测数据(共 99组)进行营养状况评价。 研究所采用的数据通过合作从太湖流域管理
局水文水资源监测局获得。
图 2摇 太湖分区及 33个监测点位置
Fig.2摇 The partitions of Taihu Lake and the locations of 33 monitoring sites
3.2摇 评价结果和讨论
分别运用 SVM评价法和 SCO评价法,对 99组数据进行评价,得到 33 个监测点 7—9月的营养类型如图
3所示,评分值以及两种方法的评价营养等级如表 2 所示。 经统计,两种评价法的结果一致率为 78.8% (其
中,7月份为 100%,8月份为 60.6%,9月份为 75.8%),其中不一致的个例均属于相邻营养等级。
通过对两种方法的评价结果进行综合可知,2012年 7—9月份,太湖水体共出现 3 种营养类型,分别为中
营养、轻度富营养和中度富营养。 其中,中营养主要分布于东太湖,轻度富营养主要分布于湖心区和东部沿岸
区,中度富营养主要分布于西北部湖区,这种水质分布状况与张晓晴等[20]的研究结果基本一致。 太湖水体整
6657 摇 生摇 态摇 学摇 报摇 摇 摇 33卷摇
http: / / www.ecologica.cn
体表现为轻度到中度富营养状态。
图 3摇 SVM和 SCO方法对太湖 33个监测点 7—9月营养状态的评价结果比较
Fig.3摇 Comparison results of Taihu Lake忆s 33 monitoring sites from July to September evaluated by the two methods
表 2摇 评分值以及两种方法的评价营养等级
Table 2摇 Scores and the evaluated eutrophication degrees of two methods
站点号
No.
7月 July
评分 SCO SVM
8月 August
评分 SCO SVM
9月 September
评分 SCO SVM
1 52.6 3 3 62.8 4 3 62.5 4 3
2 53.4 3 3 61.2 4 3 60.5 4 3
3 58.6 3 3 63.2 4 4 67.6 4 4
4 56.2 3 3 62.6 4 4 63.3 4 3
5 58.8 3 3 62.1 4 3 69.0 4 4
6 59.3 3 3 66.8 4 4 67.5 4 4
7 55.1 3 3 62.4 4 4 66.8 4 4
8 65.1 4 4 64.8 4 4 69.1 4 4
9 63.9 4 4 66.9 4 4 67.5 4 4
10 54.3 3 3 59.6 3 3 57.7 3 3
11 53.2 3 3 64.3 4 4 60.0 4 3
12 50.8 3 3 58.2 3 3 56.5 3 3
13 52.8 3 3 58.6 3 3 57.3 3 3
14 43.7 2 2 50.9 3 3 52.9 3 3
15 50.0 2 2 61.6 4 4 52.8 3 3
16 49.9 2 2 55.5 3 3 54.3 3 3
17 52.3 3 3 60.7 4 3 65.5 4 3
18 60.5 4 4 60.5 4 3 63.3 4 4
19 57.5 3 3 61.4 4 3 58.7 3 3
20 55.6 3 3 60.4 4 3 57.9 3 3
7657摇 23期 摇 摇 摇 张成成摇 等:应用支持向量机评价太湖富营养化状态 摇
http: / / www.ecologica.cn
续表
站点号
No.
7月 July
评分 SCO SVM
8月 August
评分 SCO SVM
9月 September
评分 SCO SVM
21 55.3 3 3 61.4 4 3 59.0 3 3
22 52.4 3 3 57.2 3 3 55.4 3 3
23 63.7 4 4 62.4 4 4 66.2 4 4
24 60.9 4 4 60.7 4 3 60.8 4 3
25 51.9 3 3 60.4 4 3 54.1 3 3
26 52.6 3 3 57.1 3 3 53.3 3 3
27 53.4 3 3 55.7 3 3 53.8 3 3
28 51.0 3 3 56.6 3 3 52.3 3 3
29 56.2 3 3 58.3 3 3 58.8 3 3
30 56.6 3 3 60.4 4 3 60.5 4 3
31 60.3 4 4 61.9 4 3 60.8 4 3
32 57.0 3 3 61.6 4 3 59.1 3 3
3 53.9 3 3 62.5 4 4 55.2 3 3
在 7月份的评价结果中,SVM法得出太湖大部分水域的营养类型为轻度富营养,竺山湖为中度富营养,
东太湖为中营养;SCO法得出的结果和 SVM法结果一致。
在 8月份的评价结果中,SVM法得出太湖大部分区域为轻富,竺山湖、梅梁湖为中富;SCO 法评价结果显
示大部分区域为中富,和 SVM结果差异较大。
在 9月份的评价结果中,SVM法得出太湖大部分区域为轻富,竺山湖、梅梁湖为中富;SCO 法评价结果显
示竺山湖、梅梁湖和少量西部湖区为中富,其余部分为轻富,总体上和 SVM结果比较一致。
两种方法评价结果存在不一致的原因主要如下:
(1)评价原理不同摇 在 SCO评价法中,首先采用线性插值法将各评价指标浓度值转换为相应的评分值,
然后计算评分值的均值,并按其所处的区间范围判断营养等级;而在 SVM 评价法中,首先通过在评价标准各
区间范围内,随机生成若干训练样本,然后利用 SVM的分类算法,对样本进行训练,获得相应的评价模型,最
后利用模型对水体的营养类型进行评价。 两种方法评价原理的不同,会使评价结果产生差异。
(2)SVM评价法的建模过程存在随机性摇 由于 SVM 法所用的训练样本是随机产生的,而不同的训练样
本,一般会得出不同的模型。 这在一定程度上,也会对 SVM评价模型的表现产生影响。
虽然两种方法的评价结果一致率为 78.8%,但以上的结果及其分析表明 SVM评价法是有效的,能够作为
太湖富营养化状态评价的一种可选的新方法。 但由于 SVM 方法基于低维变量和小样本数据,具有更好的泛
化性;同时核函数的引入,提高了模型收敛性。
4摇 结论
本研究根据已有的湖库富营养化程度评价标准,建立了太湖富营养化评价的支持向量机模型,然后分别
运用该模型和线性插值评分法(SCO),对太湖 2012年 7—9月 33个站点的 99组水质数据进行了评价。 通过
对评价结果的对比分析,得到以下结论:
(1) 2012年 7—9月份,太湖水体共出现 3种营养类型,中营养主要分布于东太湖,轻度富营养主要分布
于湖心区和东部沿岸区,中度富营养主要分布于西北部湖区,太湖水体整体表现为轻度到中度富营养状态。
(2)本研究建立的支持向量机评价模型能够有效应用于太湖富营养化状态评价。 实际应用表明两种方
法的评价结果一致率为 78.8%,存在不一致的个例均属于相邻营养等级。 考虑到两种方法的评价原理不同,
且建模过程存在随机性,78.8%的一致率是可以接受的,说明运用支持向量机建立太湖富营养化评价模型是
有效的,且具有更好的收敛性和泛化性。
8657 摇 生摇 态摇 学摇 报摇 摇 摇 33卷摇
http: / / www.ecologica.cn
References:
[ 1 ]摇 Wu M, Li Z Y, Liu Z Y, Li D P. Application of improved set pair analysis to assessment of lake eutrophication. Water Resources Protection, 2009,
25(2): 5鄄9.
[ 2 ] 摇 Taheriyoun M, Karamouz M, Baghvand A. Development of an entropy鄄based fuzzy eutrophication index for reservoir water quality evaluation. Iranian
Journal of Environmenal Health Science & Engineering, 2010, 7(1): 1鄄14.
[ 3 ] 摇 Pappas J L. Phytoplankton assemblages, environmental influences and trophic status using canonical correspondence analysis, fuzzy relations, and
linguistic translation. Ecological Informatics, 2010, 5(2): 79鄄88.
[ 4 ] 摇 Zhang P, Huang Y L, Chen Y Y, Hu X L, Liu D F. Fuzzy mathematics for evaluation of eutrophication in Xiangxi Bay. Environmental Science &
Technology, 2012, 35(6): 173鄄179.
[ 5 ] 摇 Jiang L X, Yu S J, Wei D B, Liu T, Zhang Z F. Grey situation decision method aplying to eutrophication evaluation for Lakes. Environmental
Sciences and Management, 2006, 31(2): 10鄄12.
[ 6 ] 摇 Hu L H, Pan A, Li T S, Li C Z, Wang Y H. Application of the grey clustering method to assessing the eutrophication of Shengzhong Reservoir.
Journal of Agro鄄Environment Science, 2008, 27(6): 2407鄄2412.
[ 7 ] 摇 Zou C W, Jin X C, Xiong J Q, Li Z Y. Evolutionary ant colony algorithm and its application in evaluating the eutrophic state of lake. Research of
Environmental Sciences, 2006, 19(5): 149鄄153.
[ 8 ] 摇 Dang Y, Li Z Y, Zou Y L. Lake eutrophic evaluation based on bee immune evolutionary algorithm. Journal of Anhui Agricultural Sciences, 2010,
38(16): 8618鄄8619, 8695.
[ 9 ] 摇 Lin G S, Huang X Y, Li J. Application of artificial neural network method on eutrophication assessment for Shenzhen Reservoirs. The
Administration and Technique of Environmental Monitoring, 2010, 22(1): 59鄄63.
[10] 摇 Cui D W. Applications of several neural network models to eutrophication evaluation of lakes and reservoirs. Water Resources Protection, 2012, 28
(6): 12鄄18.
[11] 摇 Zhang C L, Fang C, Huang W J. Comprehensive evaluation method of projection pursuit based on particle swarm optimization in lake
Eutrophication. Journal of Anhui Agricultural Sciences, 2010, 38(27): 14823鄄14825, 14830.
[12] 摇 Vapnik V. The nature of statistical learning theory. New York: Springer Verlag, 1995.
[13] 摇 Shi X, Xiong Q Y, Lei L N. A comparative study of eutrophication evaluation models based on SOM neural network and SVM. Journal of Chongqing
University, 2010, 33(3): 119鄄123.
[14] 摇 Yang D J, Wang R, Shen G. SVM and ANN applied to evaluation of lake eutrophication: A comparative study. Environmental Science
&Technology, 2012, 35(1): 173鄄177.
[15] 摇 Xu L, Wang J Y, Zhang B, Li Z Y. A hybrid TS鄄SVM model for evaluation of lake eutrophication. Advanced Materials Research, 2012, 463鄄464:
917鄄921.
[16] 摇 Liu X, Lu W. Study on the application of SVM in text classification. IT Education, 2007, 2: 72鄄77.
[17] 摇 Hsu C W, Chang C C, Lin C J. A practical guide to support vector classification. http: / / www.csie.ntu.edu.tw / —cjlin / libsvm / index.html.
[18] 摇 Wang M C, Liu X Q, Zhang J H. Evaluate method and classification standard on lake entrophication. Environmental Monitoring in China, 2002, 18
(5): 47鄄49.
[19] 摇 Chang C C, Lin C J. LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 1鄄27.
[20] 摇 Zhang X Q, Chen Q W. Spatial鄄temporal characteristic of water quality in Lake Taihu and its relationship with algal bloom. Journal of Lake
Sciences, 2011, 23(3): 339鄄347.
参考文献:
[ 1 ]摇 邬敏, 李祚泳, 刘智勇, 李大鹏. 一种改进的集对分析法在湖泊富营养化评价中的应用. 水资源保护, 2009, 25(2): 5鄄9.
[ 4 ] 摇 张平, 黄钰铃, 陈媛媛, 胡响铃, 刘德富. 模糊数学在香溪河库湾富营养化评价中的应用. 环境科学与技术, 2012, 35(6): 173鄄179.
[ 5 ] 摇 蒋利鑫, 于苏俊, 魏代波, 刘涛, 张子峰. 湖泊富营养化评价中的灰色局势决策法. 环境科学与管理, 2006, 31(2): 10鄄12.
[ 6 ] 摇 胡丽慧, 潘安, 李铁松, 李成柱, 王佑汉. 灰色聚类法在升钟水库水体富营养化评价中的应用. 农业环境科学学报, 2008, 27(6):
2407鄄2412.
[ 7 ] 摇 邹长武, 金相灿, 熊建秋, 李祚泳. 进化蚁群算法及其在湖泊富营养化评价中的应用. 环境科学研究, 2006, 19(5): 149鄄153.
[ 8 ] 摇 党媛, 李祚泳, 邹艳玲. 基于蜜蜂免疫进化算法的湖泊富营养化评价. 安徽农业科学, 2010, 38(16): 8618鄄8619, 8695.
[ 9 ] 摇 林高松, 黄晓英, 李娟. 人工神经网络在深圳市水库富营养化评价中的应用. 环境监测管理与技术, 2010, 22(1): 59鄄63.
[10] 摇 崔东文. 几种神经网络模型在湖库富营养化程度评价中的应用. 水资源保护, 2012, 28(6):12鄄18.
[11] 摇 张春乐, 方崇, 黄伟军. 基于粒子群算法湖泊富营养化评价的投影寻踪方法. 安徽农业科学, 2010, 38(27): 14823鄄14825, 14830.
[13] 摇 石欣, 熊庆宇, 雷璐宁. SOM网络与 SVM在水质富营养化评价中的对比. 重庆大学学报, 2010, 33(3): 119鄄123.
[14] 摇 杨道军, 王冉, 沈刚. SVM与 ANN在湖泊富营养化评价中的对比研究. 环境科学与技术, 2012, 35(1): 173鄄177.
[16] 摇 刘霞, 卢苇. SVM在文本分类中的应用研究. 计算机教育, 2007, 2: 72鄄77.
[18] 摇 王明翠, 刘雪芹, 张建辉. 湖泊富营养化评价方法及分级标准. 中国环境监测, 2002, 18(5): 47鄄49.
[20] 摇 张晓晴, 陈求稳. 太湖水质时空特性及其与蓝藻水华的关系. 湖泊科学, 2011, 23(3): 339鄄347.
9657摇 23期 摇 摇 摇 张成成摇 等:应用支持向量机评价太湖富营养化状态 摇
粤悦栽粤 耘悦韵蕴韵郧陨悦粤 杂陨晕陨悦粤 灾燥造援猿猿袁晕燥援圆猿 阅藻糟援袁圆园员猿渊杂藻皂蚤皂燥灶贼澡造赠冤
悦韵晕栽耘晕栽杂
云则燥灶贼蚤藻则泽 葬灶凿 悦燥皂责则藻澡藻灶泽蚤增藻 砸藻增蚤藻憎
韵扎燥灶藻 怎责贼葬噪藻 葬贼 贼澡藻 糟葬灶燥责赠 造藻增藻造 蚤灶 砸燥遭蚤灶蚤葬 责泽藻怎凿燥葬糟葬糟蚤葬 蚤灶 月藻蚤躁蚤灶早 遭葬泽藻凿 燥灶 泽葬责 枣造燥憎 皂藻葬泽怎则藻皂藻灶贼泽
宰粤晕郧 匀怎葬袁 韵哉再粤晕郧 在澡蚤赠怎灶袁 砸耘晕 再怎枣藻灶袁 藻贼 葬造 渊苑猿圆猿冤
噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
郧藻灶藻贼蚤糟 蚤皂责葬糟贼 燥枣 泽憎蚤皂皂蚤灶早 糟则葬遭 孕燥则贼怎灶怎泽 贼则蚤贼怎遭藻则糟怎造葬贼怎泽 枣葬则皂蚤灶早 燥灶 憎蚤造凿 早藻灶藻贼蚤糟 则藻泽燥怎则糟藻泽 蚤灶 匀葬蚤扎澡燥怎 月葬赠
阅韵晕郧 在澡蚤早怎燥袁 蕴陨 载蚤葬燥赠蚤灶早袁 在匀粤晕郧 匝蚤灶早择蚤袁 藻贼 葬造 渊苑猿猿圆冤
噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
栽澡藻 藻枣枣藻糟贼 燥枣 泽燥蚤造 泽葬造蚤灶蚤贼赠 贼燥 蚤皂责则燥增藻 贼澡藻 凿则燥怎早澡贼 贼燥造藻则葬灶糟藻 燥枣 葬则则燥憎造藻葬枣 泽葬造贼遭怎泽澡
栽粤晕 再燥灶早择蚤灶袁 月粤陨 载蚤灶枣怎袁 匀韵哉 再怎责蚤灶早袁 藻贼 葬造 渊苑猿源园冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 蕴蚤则蚤燥皂赠扎葬 澡怎蚤凿燥遭则藻灶泽蚤泽 蚤灶枣藻泽贼葬贼蚤燥灶 燥灶 贼澡藻 葬糟贼蚤增蚤贼蚤藻泽 燥枣 枣燥怎则 凿藻枣藻灶泽蚤增藻 藻灶扎赠皂藻泽 蚤灶 贼澡藻 造藻葬增藻泽 燥枣 糟怎糟怎皂遭藻则 责造葬灶贼泽
杂哉晕 载蚤灶早澡怎葬袁 在匀韵哉 载蚤葬燥则燥灶早袁 孕粤晕郧 月葬燥责蚤灶早袁 藻贼 葬造 渊苑猿源愿冤
噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤怎贼藻糟燥造燥早赠 驭 云怎灶凿葬皂藻灶贼葬造泽
耘葬则造赠 藻枣枣藻糟贼泽 燥枣 泽蚤皂怎造葬贼藻凿 灶蚤贼则燥早藻灶 凿藻责燥泽蚤贼蚤燥灶 燥灶 葬灶灶怎葬造 灶怎贼则蚤藻灶贼 蚤灶责怎贼 枣则燥皂 造蚤贼贼藻则枣葬造造 蚤灶 葬 孕造藻蚤燥遭造葬泽贼怎泽 葬皂葬则怎泽 责造葬灶贼葬贼蚤燥灶 蚤灶 砸葬蚤灶赠
粤则藻葬 燥枣 宰藻泽贼 悦澡蚤灶葬 载陨粤韵 再蚤灶造燥灶早袁 栽哉 蕴蚤澡怎葬袁 匀哉 栽蚤灶早曾蚤灶早袁 藻贼 葬造 渊苑猿缘缘冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
砸藻造葬贼蚤燥灶泽澡蚤责 遭藻贼憎藻藻灶 灶怎贼则蚤藻灶贼 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 葬灶凿 赠蚤藻造凿泽 燥枣 贼怎皂燥则燥怎泽 泽贼藻皂 皂怎泽贼葬则凿 葬贼 凿蚤枣枣藻则藻灶贼 早则燥憎贼澡 泽贼葬早藻
在匀粤韵 匀怎葬灶袁蕴陨 匀怎蚤澡藻袁 蕴譈 匀怎蚤枣藻灶早袁藻贼 葬造 渊苑猿远源冤
噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
阅藻糟燥皂责燥泽蚤贼蚤燥灶 则葬贼藻 葬灶凿 泽蚤造蚤糟燥灶 凿赠灶葬皂蚤糟 燥枣 皂怎造糟澡蚤灶早 则藻泽蚤凿怎藻 怎灶凿藻则 孕澡赠造造燥泽贼葬糟澡赠泽 责则葬藻糟燥曾 泽贼葬灶凿泽
匀哉粤晕郧 在澡葬灶早贼蚤灶早袁 在匀粤晕郧 再葬灶袁 杂韵晕郧 在澡葬燥造蚤葬灶早袁 藻贼 葬造 渊苑猿苑猿冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 憎葬贼藻则造燥早早蚤灶早 燥灶 贼澡藻 早则燥憎贼澡 葬灶凿 责澡赠泽蚤燥造燥早蚤糟葬造 责则燥责藻则贼蚤藻泽 燥枣 躁怎增藻灶蚤造藻 燥蚤造泽藻藻凿 则葬责藻
在匀粤晕郧 杂澡怎躁蚤藻袁 蕴陨粤韵 载蚤灶早袁 匀哉 载蚤葬燥躁蚤葬袁 藻贼 葬造 渊苑猿愿圆冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
栽澡藻 糟则怎凿藻 责则燥贼藻蚤灶 糟燥灶贼藻灶贼 燥枣 皂葬蚤灶 枣燥燥凿 责造葬灶贼泽 燥枣 云则葬灶觭燥蚤泽忆 造葬灶早怎则 渊栽则葬糟澡赠责蚤贼澡藻糟怎泽 枣则葬灶糟燥蚤泽蚤冤 蚤灶 云怎泽怎蚤袁 郧怎葬灶早曾蚤袁 悦澡蚤灶葬
蕴陨 再燥怎遭葬灶早袁阅陨晕郧 孕蚤灶早袁匀哉粤晕郧 悦澡藻灶早皂蚤灶早袁藻贼 葬造 渊苑猿怨园冤
噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 灶蚤贼则燥早藻灶 燥灶 责澡燥贼燥泽赠灶贼澡藻贼蚤糟 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 葬灶凿 藻灶扎赠皂藻 葬糟贼蚤增蚤贼赠 燥枣 灶蚤贼则燥早藻灶 皂藻贼葬遭燥造蚤泽皂 蚤灶 皂葬蚤扎藻 怎灶凿藻则鄄皂怎造糟澡鄄凿则蚤责 蚤则则蚤鄄
早葬贼蚤燥灶 郧哉 再葬灶袁 匀哉 宰藻灶澡藻袁 载哉 月葬蚤躁怎灶袁 藻贼 葬造 渊苑猿怨怨冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘糟燥贼燥曾蚤糟燥造燥早蚤糟葬造 藻枣枣藻糟贼泽 燥枣 藻曾责燥泽怎则藻 贼燥 孕云韵杂 燥灶 藻皂遭则赠燥 葬灶凿 造葬则增葬 燥枣 扎葬遭则葬枣蚤泽澡 阅葬灶蚤燥 则藻则蚤燥
载陨粤 允蚤早葬灶早袁 晕陨哉 悦怎蚤躁怎葬灶袁 杂哉晕 蕴怎赠蚤灶 渊苑源园愿冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤造造藻造燥责葬贼澡蚤糟 藻枣枣藻糟贼泽 燥枣 藻曾贼则葬糟贼泽 枣则燥皂 哉造增葬 责则燥造蚤枣藻则葬 责燥憎凿藻则泽 燥灶 贼澡藻 早则燥憎贼澡 燥枣 孕则燥则燥糟藻灶贼则怎皂 凿燥灶早澡葬蚤藻灶泽藻 葬灶凿 杂噪藻造藻贼燥灶藻皂葬 糟燥泽贼葬贼怎皂
匀粤晕 载蚤怎则燥灶早袁 郧粤韵 杂燥灶早袁 匀韵哉 允怎灶灶蚤袁 藻贼 葬造 渊苑源员苑冤
噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
孕则藻凿葬贼蚤燥灶 藻增葬造怎葬贼蚤燥灶 燥枣 阅蚤葬责澡燥则蚤灶葬 糟蚤贼则蚤忆泽 渊匀燥皂燥责贼藻则葬院 悦澡藻则皂蚤凿葬藻冤 灶葬贼怎则葬造 藻灶藻皂蚤藻泽 怎泽蚤灶早 贼澡藻 悦韵玉 皂葬则噪藻则 早藻灶藻
酝耘晕郧 载蚤葬灶早袁韵哉再粤晕郧 郧藻糟澡藻灶早袁载陨粤 再怎造怎袁藻贼 葬造 渊苑源猿园冤
噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼 燥枣 增燥造葬贼蚤造藻泽 枣则燥皂 澡藻葬造贼澡赠 燥则 憎燥则皂 遭燥则藻凿 运燥则藻葬灶 责蚤灶藻 燥灶 澡燥泽贼 泽藻造藻糟贼蚤增藻 遭藻澡葬增蚤燥则 燥枣 阅蚤燥则赠糟贼则蚤葬 泽赠造增藻泽贼则藻造造葬 葬灶凿 蚤贼泽 责葬则葬泽蚤贼燥蚤凿
酝葬糟则燥糟藻灶贼则怎泽 泽责援 宰粤晕郧 匝蚤袁再粤晕 杂澡葬灶糟澡怎灶袁再粤晕 允怎灶曾蚤灶袁藻贼 葬造 渊苑源猿苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
孕燥责怎造葬贼蚤燥灶袁 悦燥皂皂怎灶蚤贼赠 葬灶凿 耘糟燥泽赠泽贼藻皂
砸藻造葬贼蚤燥灶泽澡蚤责 遭藻贼憎藻藻灶 则澡蚤扎燥泽责澡藻则藻 皂蚤糟则燥遭蚤葬造 糟燥皂皂怎灶蚤贼赠 枣怎灶糟贼蚤燥灶葬造 凿蚤增藻则泽蚤贼赠 葬灶凿 枣葬遭葬 遭藻葬灶 枣怎泽葬则蚤怎皂 憎蚤造贼 燥糟糟怎则则藻灶糟藻 蚤灶 憎澡藻葬贼 葬灶凿
枣葬遭葬 遭藻葬灶 蚤灶贼藻则糟则燥责责蚤灶早 泽赠泽贼藻皂 阅韵晕郧 再葬灶袁 阅韵晕郧 运怎灶袁 栽粤晕郧 蕴蚤袁 藻贼 葬造 渊苑源源缘冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
悦澡葬则葬糟贼藻则蚤泽贼蚤糟泽 燥枣 泽燥蚤造 枣藻则贼蚤造蚤贼赠 蚤灶 凿蚤枣枣藻则藻灶贼 藻糟燥泽赠泽贼藻皂泽 蚤灶 凿藻责则藻泽泽蚤燥灶泽 遭藻贼憎藻藻灶 噪葬则泽贼 澡蚤造造泽
再哉 再葬灶早袁 阅哉 匀怎袁 杂韵晕郧 栽燥灶早择蚤灶早袁 藻贼 葬造 渊苑源缘缘冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘增葬造怎葬贼蚤燥灶 燥灶 糟葬则遭燥灶 泽藻择怎藻泽贼则葬贼蚤燥灶 藻枣枣藻糟贼泽 燥枣 葬则贼蚤枣蚤糟蚤葬造 葬造枣葬造枣葬 责葬泽贼怎则藻泽 蚤灶 贼澡藻 蕴燥藻泽泽 孕造葬贼藻葬怎 葬则藻葬
蕴陨 宰藻灶躁蚤灶早袁 宰粤晕郧 在澡藻灶袁 匀粤晕 匝蚤灶早枣葬灶早袁 藻贼 葬造 渊苑源远苑冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
蕴葬灶凿泽糟葬责藻袁 砸藻早蚤燥灶葬造 葬灶凿 郧造燥遭葬造 耘糟燥造燥早赠
耘枣枣藻糟贼泽 燥枣 凿藻藻责 增藻则贼蚤糟葬造造赠 则燥贼葬则赠 贼蚤造造葬早藻 燥灶 泽燥蚤造 憎葬贼藻则 葬灶凿 憎葬贼藻则 怎泽藻 藻枣枣蚤糟蚤藻灶糟赠 蚤灶 灶燥则贼澡藻则灶 悦澡蚤灶葬忆泽 匀怎葬灶早鄄澡怎葬蚤鄄澡葬蚤 砸藻早蚤燥灶
蕴陨 再蚤遭蚤灶早袁孕粤晕郧 匀怎葬灶糟澡藻灶早袁再粤晕郧 载怎藻袁藻贼 葬造 渊苑源苑愿冤
噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 造葬灶凿泽糟葬责藻 责葬贼贼藻则灶泽 燥灶 则怎灶燥枣枣 葬灶凿 泽藻凿蚤皂藻灶贼 藻曾责燥则贼 枣则燥皂 贼赠责蚤糟葬造 葬早则燥枣燥则藻泽贼则赠 憎葬贼藻则泽澡藻凿泽 蚤灶 贼澡藻 栽澡则藻藻 郧燥则早藻泽 砸藻泽藻则增燥蚤则
葬则藻葬袁 悦澡蚤灶葬 匀哉粤晕郧 在澡蚤造蚤灶袁栽陨粤晕 再葬燥憎怎袁载陨粤韵 宰藻灶枣葬袁藻贼 葬造 渊苑源愿苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
蕴葬灶凿 糟燥增藻则 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶 燥枣 再葬灶糟澡藻灶早 悦燥葬泽贼葬造 晕葬贼怎则葬造 宰藻贼造葬灶凿泽 遭葬泽藻凿 燥灶 月孕 灶藻怎则葬造 灶藻贼憎燥则噪 葬灶凿 耘栽酝垣 则藻皂燥贼藻 泽藻灶泽蚤灶早 凿葬贼葬
载陨粤韵 允蚤灶糟澡藻灶早袁 韵哉 宰藻蚤曾蚤灶袁 云哉 匀葬蚤赠怎藻 渊苑源怨远冤
噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘葬则造赠 则藻泽责燥灶泽藻泽 燥枣 泽燥蚤造 悦匀源 怎责贼葬噪藻 贼燥 蚤灶糟则藻葬泽藻凿 葬贼皂燥泽责澡藻则蚤糟 灶蚤贼则燥早藻灶 凿藻责燥泽蚤贼蚤燥灶 蚤灶 葬 糟燥造凿鄄贼藻皂责藻则葬贼藻 糟燥灶蚤枣藻则燥怎泽 枣燥则藻泽贼
郧粤韵 宰藻灶造燥灶早袁悦匀耘晕郧 杂澡怎造葬灶袁云粤晕郧 匀怎葬躁怎灶袁藻贼 葬造 渊苑缘园缘冤
噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
栽藻皂责燥则葬造鄄泽责葬贼蚤葬造 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 燥枣 泽燥蚤造 则藻泽责蚤则葬贼蚤燥灶 蚤灶 悦澡蚤灶藻泽藻 遭燥则藻葬造 枣燥则藻泽贼 藻糟燥泽赠泽贼藻皂
允陨粤 月蚤灶早则怎蚤袁 在匀韵哉 郧怎葬灶早泽澡藻灶早袁 允陨粤晕郧 再葬灶造蚤灶早袁 藻贼 葬造 渊苑缘员远冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
杂藻葬泽燥灶葬造 葬灶凿 蚤灶贼藻则葬灶灶怎葬造 增葬则蚤葬遭蚤造蚤贼赠 蚤灶 泽燥蚤造 则藻泽责蚤则葬贼蚤燥灶 蚤灶 憎澡藻葬贼 枣蚤藻造凿 燥枣 贼澡藻 蕴燥藻泽泽 孕造葬贼藻葬怎袁 悦澡蚤灶葬
在匀韵哉 载蚤葬燥责蚤灶早袁 宰粤晕郧 载蚤葬燥噪藻袁 在匀粤晕郧 匀燥灶早曾蚤灶早袁 藻贼 葬造 渊苑缘圆缘冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
阅赠灶葬皂蚤糟泽 燥枣 葬贼皂燥泽责澡藻则蚤糟 葬皂皂燥灶蚤葬 糟燥灶糟藻灶贼则葬贼蚤燥灶泽 灶藻葬则 凿蚤枣枣藻则藻灶贼 藻皂蚤泽泽蚤燥灶 泽燥怎则糟藻泽
蕴陨哉 允蚤藻赠怎灶袁 运哉粤晕郧 云怎澡燥灶早袁栽粤晕郧 粤燥澡葬灶袁 藻贼 葬造 渊苑缘猿苑冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
陨灶枣造怎藻灶糟藻 燥枣 则藻泽蚤凿怎藻泽 葬灶凿 藻葬则贼澡憎燥则皂泽 葬责责造蚤糟葬贼蚤燥灶 燥灶 晕圆韵 藻皂蚤泽泽蚤燥灶泽 燥枣 憎蚤灶贼藻则 憎澡藻葬贼 蕴哉韵 栽蚤葬灶曾蚤葬灶早袁 匀哉 云藻灶早袁 蕴陨 匀怎蚤曾蚤灶 渊苑缘源缘冤噎
砸藻泽燥怎则糟藻 葬灶凿 陨灶凿怎泽贼则蚤葬造 耘糟燥造燥早赠
耘糟燥造燥早蚤糟葬造 皂燥灶蚤贼燥则蚤灶早 燥枣 贼澡藻 枣蚤泽澡 则藻泽燥怎则糟藻泽 糟葬贼糟澡蚤灶早 葬灶凿 泽贼燥糟噪蚤灶早 蚤灶 蕴葬噪藻 栽蚤葬灶皂怎 遭葬泽蚤灶早 燥灶 贼澡藻 澡赠凿则燥葬糟燥怎泽贼蚤糟 皂藻贼澡燥凿
杂哉晕 酝蚤灶早遭燥袁 郧哉 载蚤葬燥澡燥灶早袁 在耘晕郧 匝蚤灶早枣藻蚤袁 藻贼 葬造 渊苑缘缘猿冤
噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤责责造蚤糟葬贼蚤燥灶 燥枣 泽怎责责燥则贼 增藻糟贼燥则 皂葬糟澡蚤灶藻 贼燥 藻增葬造怎葬贼藻 贼澡藻 藻怎贼则燥责澡蚤糟葬贼蚤燥灶 泽贼葬贼怎泽 燥枣 栽葬蚤澡怎 蕴葬噪藻
在匀粤晕郧 悦澡藻灶早糟澡藻灶早袁 杂匀耘晕 粤蚤糟澡怎灶袁 在匀粤晕郧 载蚤葬燥择蚤灶早袁 藻贼 葬造 渊苑缘远猿冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
砸藻泽藻葬则糟澡 晕燥贼藻泽
粤皂燥怎灶贼 葬灶凿 凿赠灶葬皂蚤糟 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 燥枣 造蚤贼贼藻则枣葬造造 蚤灶 枣燥怎则 枣燥则藻泽贼 贼赠责藻泽 蚤灶 泽怎遭贼则燥责蚤糟葬造 悦澡蚤灶葬
载哉 宰葬灶早皂蚤灶早袁 再粤晕 宰藻灶凿藻袁 蕴陨 允蚤藻遭蚤灶早袁 藻贼 葬造 渊苑缘苑园冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤造造藻造燥责葬贼澡蚤糟 藻枣枣藻糟贼泽 燥枣 葬则贼藻皂蚤泽蚤灶蚤灶 燥灶 泽藻藻凿 早藻则皂蚤灶葬贼蚤燥灶 葬灶凿 泽藻藻凿造蚤灶早 早则燥憎贼澡 燥枣 增藻早藻贼葬遭造藻泽
月粤陨 在澡藻灶袁 匀哉粤晕郧 再怎藻袁 匀哉粤晕郧 允蚤葬灶早怎燥 渊苑缘苑远冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
晕蚤贼则蚤糟 燥曾蚤凿藻 责葬则贼蚤糟蚤责葬贼藻泽 泽赠皂遭蚤燥泽蚤泽 遭藻贼憎藻藻灶 葬皂 枣怎灶早蚤 葬灶凿 贼燥遭葬糟糟燥 责造葬灶贼泽 宰粤晕郧 宰藻蚤袁 在匀粤韵 云葬灶早早怎蚤袁 匀韵哉 蕴蚤曾蚤葬袁 藻贼 葬造 渊苑缘愿猿冤噎噎
酝葬责责蚤灶早 憎蚤造凿造蚤枣藻 澡葬遭蚤贼葬贼 泽怎蚤贼葬遭蚤造蚤贼赠 怎泽蚤灶早 噪藻则灶藻造 凿藻灶泽蚤贼赠 藻泽贼蚤皂葬贼蚤燥灶
在匀粤晕郧 郧怎蚤皂蚤灶早袁 在匀哉 粤忆曾蚤灶早袁 再粤晕郧 杂澡藻灶早贼蚤葬灶袁 藻贼 葬造 渊苑缘怨园冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 灶蚤贼则燥早藻灶 枣藻则贼蚤造蚤扎藻则 皂藻贼澡燥凿泽 燥灶 贼澡藻 糟燥灶贼藻灶贼 燥枣 月葬糟蚤造造怎泽 贼澡怎则蚤灶早蚤藻灶泽蚤泽 蚤灶泽藻糟贼蚤糟蚤凿葬造 责则燥贼藻蚤灶 葬灶凿 赠蚤藻造凿 燥枣 贼则葬灶泽早藻灶蚤糟 糟燥贼贼燥灶
酝粤 在燥灶早遭蚤灶袁蕴陨哉 郧怎蚤扎澡藻灶袁再粤晕 郧藻灶贼怎袁藻贼 葬造 渊苑远园员冤
噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
源员远苑 摇 生摇 态摇 学摇 报摇 摇 摇 猿猿卷摇
叶生态学报曳圆园员源年征订启事
叶生态学报曳是由中国科学技术协会主管袁中国生态学学会尧中国科学院生态环境研究中心主办的生态学
高级专业学术期刊袁创刊于 员怨愿员年袁报道生态学领域前沿理论和原始创新性研究成果遥 坚持野百花齐放袁百家
争鸣冶的方针袁依靠和团结广大生态学科研工作者袁探索生态学奥秘袁为生态学基础理论研究搭建交流平台袁
促进生态学研究深入发展袁为我国培养和造就生态学科研人才和知识创新服务尧为国民经济建设和发展服务遥
叶生态学报曳主要报道生态学及各分支学科的重要基础理论和应用研究的原始创新性科研成果遥 特别欢
迎能反映现代生态学发展方向的优秀综述性文章曰研究简报曰生态学新理论尧新方法尧新技术介绍曰新书评价和
学术尧科研动态及开放实验室介绍等遥
叶生态学报曳为半月刊袁大 员远开本袁圆愿园页袁国内定价 怨园元 辕册袁全年定价 圆员远园元遥
国内邮发代号院愿圆鄄苑袁国外邮发代号院酝远苑园
标准刊号院陨杂杂晕 员园园园鄄园怨猿猿摇 摇 悦晕 员员鄄圆园猿员 辕 匝
全国各地邮局均可订阅袁也可直接与编辑部联系购买遥 欢迎广大科技工作者尧科研单位尧高等院校尧图书
馆等订阅遥
通讯地址院 员园园园愿缘 北京海淀区双清路 员愿号摇 电摇 摇 话院 渊园员园冤远圆怨源员园怨怨曰 远圆愿源猿猿远圆
耘鄄皂葬蚤造院 泽澡藻灶早贼葬蚤曾怎藻遭葬燥岳 则糟藻藻泽援葬糟援糟灶摇 网摇 摇 址院 憎憎憎援藻糟燥造燥早蚤糟葬援糟灶
本期责任副主编摇 王德利摇 摇 摇 编辑部主任摇 孔红梅摇 摇 摇 执行编辑摇 刘天星摇 段摇 靖
生摇 态摇 学摇 报渊杂匀耘晕郧栽粤陨摇 载哉耘月粤韵冤渊半月刊摇 员怨愿员年 猿月创刊冤
第 猿猿卷摇 第 圆猿期摇 渊圆园员猿年 员圆月冤
粤悦栽粤 耘悦韵蕴韵郧陨悦粤 杂陨晕陨悦粤摇渊杂藻皂蚤皂燥灶贼澡造赠袁杂贼葬则贼藻凿 蚤灶 员怨愿员冤摇灾燥造郾 猿猿摇 晕燥郾 圆猿 渊阅藻糟藻皂遭藻则袁 圆园员猿冤
编摇 摇 辑摇 叶生态学报曳编辑部
地址院北京海淀区双清路 员愿号
邮政编码院员园园园愿缘
电话院渊园员园冤远圆怨源员园怨怨憎憎憎援藻糟燥造燥早蚤糟葬援糟灶泽澡藻灶早贼葬蚤曾怎藻遭葬燥岳 则糟藻藻泽援葬糟援糟灶
主摇 摇 编摇 王如松
主摇 摇 管摇 中国科学技术协会
主摇 摇 办摇 中国生态学学会
中国科学院生态环境研究中心
地址院北京海淀区双清路 员愿号
邮政编码院员园园园愿缘
出摇 摇 版摇
摇 摇 摇 摇 摇 地址院北京东黄城根北街 员远号
邮政编码院员园园苑员苑
印摇 摇 刷摇 北京北林印刷厂
发 行摇
地址院东黄城根北街 员远号
邮政编码院员园园苑员苑
电话院渊园员园冤远源园猿源缘远猿耘鄄皂葬蚤造院躁燥怎则灶葬造岳 糟泽责早援灶藻贼
订摇 摇 购摇 全国各地邮局
国外发行摇 中国国际图书贸易总公司
地址院北京 猿怨怨信箱
邮政编码院员园园园源源
广告经营
许 可 证摇 京海工商广字第 愿园员猿号
耘凿蚤贼藻凿 遭赠摇 耘凿蚤贼燥则蚤葬造 遭燥葬则凿 燥枣
粤悦栽粤 耘悦韵蕴韵郧陨悦粤 杂陨晕陨悦粤
粤凿凿院员愿袁杂澡怎葬灶早择蚤灶早 杂贼则藻藻贼袁匀葬蚤凿蚤葬灶袁月藻蚤躁蚤灶早 员园园园愿缘袁悦澡蚤灶葬
栽藻造院渊园员园冤远圆怨源员园怨怨
憎憎憎援藻糟燥造燥早蚤糟葬援糟灶
泽澡藻灶早贼葬蚤曾怎藻遭葬燥岳 则糟藻藻泽援葬糟援糟灶
耘凿蚤贼燥则鄄蚤灶鄄糟澡蚤藻枣摇 宰粤晕郧 砸怎泽燥灶早
杂怎责藻则增蚤泽藻凿 遭赠摇 悦澡蚤灶葬 粤泽泽燥糟蚤葬贼蚤燥灶 枣燥则 杂糟蚤藻灶糟藻 葬灶凿 栽藻糟澡灶燥造燥早赠
杂责燥灶泽燥则藻凿 遭赠摇 耘糟燥造燥早蚤糟葬造 杂燥糟蚤藻贼赠 燥枣 悦澡蚤灶葬
砸藻泽藻葬则糟澡 悦藻灶贼藻则 枣燥则 耘糟燥鄄藻灶增蚤则燥灶皂藻灶贼葬造 杂糟蚤藻灶糟藻泽袁 悦粤杂
粤凿凿院员愿袁杂澡怎葬灶早择蚤灶早 杂贼则藻藻贼袁匀葬蚤凿蚤葬灶袁月藻蚤躁蚤灶早 员园园园愿缘袁悦澡蚤灶葬
孕怎遭造蚤泽澡藻凿 遭赠摇 杂糟蚤藻灶糟藻 孕则藻泽泽
粤凿凿院员远 阅燥灶早澡怎葬灶早糟澡藻灶早早藻灶 晕燥则贼澡 杂贼则藻藻贼袁
月藻蚤躁蚤灶早摇 员园园苑员苑袁悦澡蚤灶葬
孕则蚤灶贼藻凿 遭赠摇 月藻蚤躁蚤灶早 月藻蚤 蕴蚤灶 孕则蚤灶贼蚤灶早 匀燥怎泽藻袁
月藻蚤躁蚤灶早 员园园园愿猿袁悦澡蚤灶葬
阅蚤泽贼则蚤遭怎贼藻凿 遭赠摇 杂糟蚤藻灶糟藻 孕则藻泽泽
粤凿凿院员远 阅燥灶早澡怎葬灶早糟澡藻灶早早藻灶 晕燥则贼澡
杂贼则藻藻贼袁月藻蚤躁蚤灶早 员园园苑员苑袁悦澡蚤灶葬
栽藻造院渊园员园冤远源园猿源缘远猿
耘鄄皂葬蚤造院躁燥怎则灶葬造岳 糟泽责早援灶藻贼
阅燥皂藻泽贼蚤糟 摇 摇 粤造造 蕴燥糟葬造 孕燥泽贼 韵枣枣蚤糟藻泽 蚤灶 悦澡蚤灶葬
云燥则藻蚤早灶 摇 摇 悦澡蚤灶葬 陨灶贼藻则灶葬贼蚤燥灶葬造 月燥燥噪 栽则葬凿蚤灶早
悦燥则责燥则葬贼蚤燥灶
粤凿凿院孕援韵援月燥曾 猿怨怨 月藻蚤躁蚤灶早 员园园园源源袁悦澡蚤灶葬
摇 陨杂杂晕 员园园园鄄园怨猿猿悦晕 员员鄄圆园猿员 辕 匝 国内外公开发行 国内邮发代号 愿圆鄄苑 国外发行代号 酝远苑园 定价 怨园郾 园园元摇